ضریب تعیین (R-Squared)

به زبان ساده:
✅ R² نشان می‌دهد مدل شما چقدر خوب داده‌ها را توضیح می‌دهد

دامنه مقدار R-Squared

مقدار R² بین 0 تا 1 قرار دارد:

• ✅ 0 → مدل هیچ‌کدام از تغییرات را توضیح نمی‌دهد
• ✅ 1 (یا 100٪) → مدل تمام تغییرات را کاملاً توضیح می‌دهد
• ✅ مثلاً 0.75 → یعنی 75٪ تغییرات توسط مدل توضیح داده شده

فرمول R-Squared

R² = 1 − (Unexplained Variation ÷ Total Variation)

✅ یعنی:

• اگر خطای مدل کمتر باشد → R² بیشتر می‌شود
• اگر مدل دقیق‌تر باشد → R² به 1 نزدیک‌تر است

مثال ساده

فرض کنید می‌خواهیم رابطه بین:

• ساعات مطالعه (متغیر مستقل)
• نمره امتحان (متغیر وابسته)

را بررسی کنیم.

اگر R² = 0.80 باشد:

✅ یعنی 80٪ تغییرات نمره دانش‌آموزان با میزان مطالعه توضیح داده می‌شود
❗ و 20٪ باقی‌مانده به عوامل دیگر (مثل استعداد، خواب، استرس) مربوط است

کاربرد R-Squared در سرمایه‌گذاری

در بازارهای مالی، R² برای بررسی این موضوع استفاده می‌شود که:

✅ یک دارایی (مثلاً صندوق سرمایه‌گذاری) تا چه حد از یک شاخص (Benchmark) پیروی می‌کند

مثال:

• اگر R² = 0.90 برای یک صندوق نسبت به شاخص بورس باشد
  ✅ یعنی 90٪ تغییرات قیمت صندوق با شاخص بازار توضیح داده می‌شود

تفسیر R-Squared

✅ البته «خوب بودن» R² به نوع داده و مدل هم بستگی دارد

مثال کاربردی در بازار

فرض کنید:

• یک سهم با شاخص کل مقایسه می‌شود
• R² = 0.95

✅ یعنی حرکت سهم تقریباً کاملاً وابسته به بازار است
✅ اگر بازار رشد کند، این سهم هم احتمالاً رشد می‌کند

مزایای R-Squared

• درک سریع کیفیت مدل
• ساده و قابل تفسیر
• مناسب برای مقایسه مدل‌ها

محدودیت‌های R-Squared

❗ مهم:

• بالا بودن R² همیشه به معنی «مدل خوب» نیست
• ممکن است رابطه واقعی وجود نداشته باشد
• به تنهایی کافی نیست و باید همراه با معیارهای دیگر بررسی شود

نکته مهم

✅ در مدل‌های پیچیده:

• افزایش تعداد متغیرها → می‌تواند R² را مصنوعی افزایش دهد
• برای حل این مشکل از Adjusted R² استفاده می‌شود

جمع‌بندی نکات کلیدی

• R-Squared نشان‌دهنده میزان توضیح‌پذیری مدل است
• بین 0 تا 1 قرار دارد
• هرچه بیشتر باشد → مدل بهتر داده‌ها را توضیح می‌دهد
• در تحلیل آماری و مالی بسیار کاربردی است
• باید همراه با معیارهای دیگر استفاده شود